一种基于无监督领域自适应网络的眼底图像分类方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115761301A(43)申请公布日2023.03.07(21)申请号202211275337.4G06V10/82(2022.01)(22)申请日2022.10.18G06V10/40(2022.01)G06V10/26(2022.01)(71)申请人杭电（丽水）研究院有限公司G06N3/088(2023.01)地址323010浙江省丽水市莲都区南明山街道大沅街与绿源路交叉口东北侧半导体芯片产业园3号楼(72)发明人颜成钢程志明孙垚棋高宇涵王鸿奎胡冀陈楚翘朱尊杰何敏殷海兵张继勇李宗鹏(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240专利代理师朱月芬(51)Int.Cl.G06V10/764(2022.01)G06V10/774(2022.01)权利要求书2页说明书4页附图1页(54)发明名称一种基于无监督领域自适应网络的眼底图像分类方法(57)摘要本发明公开了一种基于无监督领域自适应网络的眼底图像分类方法，首先获取眼底图像样本；然后对眼底图像样本进行数据预处理；构建并训练无监督领域自适应网络模型；最后通过训练好的无监督领域自适应网络模型完成眼底图像分类，获取分类结果。本发明的模型采用强弱对比增强，将来自弱增强的样本的伪标签作为“锚”，将强增强的样本对齐到“锚”上，从而增强模型在目标域上的泛化性能。本发明的网络模型没有直接对眼底图像进行分类，而是先通过Unet网络分割出视神经盘周围区域，进而直接对分割出的视神经盘区域进行分类。CN115761301ACN115761301A权利要求书1/2页1.一种基于无监督领域自适应网络的眼底图像分类方法，其特征在于，包括以下步骤：步骤1，获取眼底图像样本；所述的眼底图像样本采用现有数据集，分为训练集和测试集；步骤2，对眼底图像样本进行数据预处理；步骤3，构建无监督领域自适应网络模型；步骤4，无监督领域自适应网络模型训练；步骤5，通过训练好的无监督领域自适应网络模型完成眼底图像分类，获取分类结果；将待分类眼底图像通过步骤2预处理获得预测的视杯区域的图像，接着将获得的视杯区域的图像输入已训练好的无监督领域自适应网络模型中，并通过分类器输出无标签的眼底图像的分类结果。2.根据权利要求1所述的一种基于无监督领域自适应网络的眼底图像分类方法，其特征在于，所述的数据预处理通过对眼底图像进行分割出视杯所在位置，对于训练集眼底图像，利用训练集眼底图像标签直接沿着标签边缘延伸出256x256的长和宽并在对应的眼底图像中切出相应的位置的256x256的视杯区域作为源域眼底图像；对于测试集眼底图像，利用前面切好的源域眼底图像训练Unet网络并保存最佳模型参数来预测测试集眼底图像中视杯区域，同上述一样获得测试集256x256视杯区域图像作为待分类的目标域眼底图像。3.根据权利要求2所述的一种基于无监督领域自适应网络的眼底图像分类方法，其特征在于，所述的无监督领域自适应网络模型包括数据增强策略，特征提取器，领域特定层，源域分类器以及强增强分类器；其中数据增强策略包括两部分，第一部分用于对步骤2中预处理获得训练集的视杯区域眼底图像进行弱数据增强通过增加样本量的方式来缓解模型过拟合的现象，第二部分用于对步骤2中预处理获得的测试集视杯眼底图像分别进行强增强和弱增强用于对目标域的语义表达进行一致性约束；特征提取器采用resnet50作为主干网络用于对输入的图像提取高维的特征；领域特定层用于提取和任务相关的深层次特征；源域分类器连接在领域特定层之后，用于对领域特定层输出的特征进行分类；强增强分类器连接在Resnet50之后，用于后续对目标域在源域分类器和强增强分类器上的预测进行一致性校准。4.根据权利要求3所述的一种基于无监督领域自适应网络的眼底图像分类方法，其特征在于，无监督领域自适应网络训练时输入包含二个部分：对训练集眼底图像进行预处理后获得的视杯区域图像，对测试集眼底图像进行预处理后获的视杯区域图像；前向推理时，源域图像经过弱增强，目标域图像分别经过强增强和弱增强输入到特征提取器resnet50之后得到三个高维特征向量，进一步经过领域特定层以及源域分类器C以及强增强分类器C*后得到3个预测结果，反向传递时其模型参数受到交叉熵损失Lcls，联合分布差异损失Ljmmd和一致性损失Lcons控制并沿着随机梯度下降的方向更新，当总的损失之和达到最小时保存模型参数。5.根据权利要求3所述的一种基于无监督领域自适应网络的眼底图像分类方法，其特征在于，所述的增强策略采用增强瞄点，其中来自弱增强的样本的伪标签作为“锚”，将强增强的样本对齐到“锚”上；弱增强包含一个随机裁剪和一个随机的水平翻转；使用随机仿射变换和颜色抖动作为强增强。6.根据权利要求3所述